统计工具箱:使用MATLAB并执行统计建模和分析的数学,统计和优化
统计工具箱渲染用于建模,分析和组织数据的算法和工具。开发人员可以采用分类或回归进行预测建模,为蒙特卡洛模拟带来随机数,采用统计图进行探索性数据分析并执行假设检验。
对于拉票多维数据,统计工具箱包含算法,这些算法允许开发人员区分以连续的特征选择来打击模型的关键变量,使用主成分分析变态数据,采用部分最小二乘或强制性正则化和强制性正则化和收缩。
统计工具箱包括用于准备和获取异质数据的差异化数据类型。数据集数组存储文本,元数据,数字数据,在一个数据容器中。内置方法将开发人员使用通用钥匙,计算分组数据的总和统计信息,并在宽和高的数据表示之间进行更改。分类阵列渲染一个存储效率的数据容器,用于放置在有限的,离散的类中的数据中。
主要的突出属性
用于分类和异质数据的统计阵列
回归技术,包括非线性,线性,脊,鲁棒和非线性混合效应模型。
分类算法,包括包装和增强决策树,线性判别分析和K-Nearest邻居。
方差分析(ANOVA)
概率分布,包括高斯和Copulas混合物。
随机数生成。
假设检验。
统计和实验程序控制的蓝图。
数据组织和管理
统计工具箱呈现两个差异化数组来管理和存储统计数据。它们是分类阵列和数据集阵列。
数据集数组
数据集阵列允许杂质分析和组织异质元数据和统计数据的组织。数据集阵列渲染列以构成评估的变量和行以构成反思。使用数据集数组,开发人员可以:
将各种形式的数据放在一个容器中。
标签列和数据行以及使用可放置名称的数据。
以非理性表格格式显示和修改数据。
利用元数据存储数据,描述数据并定义单位。
统计工具箱渲染差异化功能可以在数据集数组上操作。通过这些差异化功能,开发人员可以:
通过汇总采用通用密钥的字段来添加数据集的不同元素。
将数据导出到标准文件格式中,包括逗号分隔值(CSV)和Microsoft®Excel®。
计算分组数据的总和统计信息。
在宽和高的表示之间更改数据。
分类阵列
分类阵列允许开发人员处理和组织序数和名义数据,从而从有限的离散类别或级别集中值。使用分类阵列,开发人员可以:
分类,回归和方差分析
回归
通过回归,开发人员可以将连续响应变量建模为一个或多个预报者的函数。统计工具箱允许一种广泛的回归算法形式,包括:
非线性回归
线性回归
逻辑回归和其他外推线性模型。
强大的回归
开发人员可以衡量采用多样性指标的拟合优度,包括:
Akaike数据标准(AIC)和贝叶斯数据标准(BIC)
交叉验证的平方误差
R2和调整后的R2
使用工具箱,开发人员可以计算预测值和回归系数的置信区间。当数据集包含相关变量的突出数量时,统计工具箱肯定了更多的提出能力使预后真相融化。工具箱确认:
子集选择技术,包括连续的突出属性选择和逐步回归。
正则化方法,包括拉索,弹性网和脊回归。
此外,统计工具箱还证实了非参数回归技术,以实现准确的拟合,而无需分配一个模型来描述响应和预测因子之间的关系。非参数回归技术建立了增强和行李的回归树以及决策树。此外,统计工具箱还证实了非线性混合效应(NLME)模型,其中非线性函数的某些参数在各组或个体之间改变。
统计工具箱的基本突出属性
多元统计
实验和统计过程控制的设计。
数据管理和方向
分类,方差分析和回归。
勘探数据分析
假设检验
概率分布
分类算法允许开发人员对无条件响应变量建模为一个或多个预测因子的函数。统计工具箱允许算法,非参数和参数分类的广泛多样性,例如:
天真的贝叶斯分类
增强和装袋的分类树,包括LogitBoost,Adaboost,稳健和柔和的树木。
线性判别分析
K-Nearest邻居(KNN)分类。
开发人员可以评估采用以下技术的领先分类模型的拟合优度:
混淆矩阵
交叉验证的剥夺
接收器操作特征(ROC)曲线或性能曲线
学生可以找到解决方案MATLAB编程在线的。专家互动学术会议将使学习MATLAB编程简单。在线获取所有答案问题,作业,作业MATLAB编程,在我们的导师的专家指导下。ExpertsMind.com提供MATLAB编程在线补习服务,MATLAB编程beplay提款封号作业帮助和MATLAB编程随时随地24x7。